最近搭了个AI投资工作台搞完之后最大的感受是盯盘这件事终于从“人肉刷新”变成了“机器代劳”。说实话我用AI不是让它预测明天涨跌那东西没人能稳定做到我关心的是怎么把海量信息在最短时间内滤成一屏能看到的关键变化、几段能读懂的判断、一眼能看明白的风险点。这篇文章把这些功能的拆解思路、关键代码、踩坑过程都放出来尽量说人话给同样有代码基础、又在折腾投资研究的朋友做个参考。1. 先捋清楚盯盘到底痛在哪1.1 信息过载人脑带宽真的不够用盯盘这件事表面上是“看盘”本质是“在极短时间内处理大量多源信号”。我自选股常年挂着三十来只票每只票同时有分时走势、成交量变化、盘口挂单、资金流向、板块联动、突发公告、消息面舆情……全看一遍光按F5就能按到手酸。更要命的是这些信息还是动态的。你刚看完这只的5分钟线那只已经拉起来了你刚切过去看那只前面那只又开始跳水。人脑的工作记忆大概只有4到7个组块指望一个人同时盯住30只股票的所有维度本身就是反人类的设计。1.2 反应滞后等你看完行情已经结束盯盘还有个天然矛盾看得多就看得慢看得快就看得漏。你盯着涨幅榜自选股里某只突然放量突破等你发现的时候可能已经涨上去四五个点了。如果你当天还开着好几个软件来回切换这个延迟只会更明显。我自己统计过一周的“盯盘遗憾时刻”大概有3次是明显看见了信号但因为手头在查别的数据等回头操作的时候性价比已经差很多。这种滞后不是操作习惯的问题而是人工盯盘的物理上限。1.3 情绪干扰盘中做决策容易上头盘中最容易犯的错误就是被分时图的波动带着走。拉升的时候觉得“再不追就没了”下跌的时候觉得“再不割就深套了”。这些都是情绪在驱动不完全是理性判断。我后来做工作台有一条核心原则先由机器把信息过滤到只剩“值得关注”的程度再由人来做决策。这样至少能把你和分时图之间加一道缓冲层让决策从“上头”变成“看事实”。1.4 复盘低效数据散落到处找盘后复盘更是一团乱麻。行情一个软件、公告一个网站、消息一个APP想把当天“发生了什么、我看到了什么、我做了什么决策、结果如何”整理到一张表里每次都得折腾半小时以上。这种低效积累下来你就很难形成真正属于自己的复盘节奏。这四点加在一起就是我搭AI投资工作台的全部动因。不是想搞个自动交易系统而是想让AI去处理它擅长的事汇总、过滤、归纳、提醒。人保留最关键的判断权。2. 工作台的整体架构和选型思路2.1 系统骨架数据、模型、业务、交互四层整个工作台我设计成四层结构每一层职责尽量单一。数据层负责接行情、公告、财务和资讯数据模型层负责用大语言模型做理解和归纳业务层负责规则判断、事件触发、调度编排交互层负责把结果推到你的手机或者桌面面板。这个结构说白了就是把“盯盘”这件事拆成流水线数据源采集 - 事件判定 - AI归纳 - 消息推送。每一层都可以独立替换比如你不想用现在的数据源换一个接口只动数据层你觉得某个模型总结得不行换模型只动模型层。2.2 工具选型为什么是Python FastAPI SQLite整套系统我用了Python 3.11Web服务用FastAPI存储用SQLite定时任务用APScheduler。这套组合在个人投资工作台场景里非常够用而且没有额外部署成本。选择Python是因为行情数据处理、AI接口调用、规则判断这些活生态实在太成熟了。FastAPI适合把服务暴露成API方便手机端随时访问也方便以后扩展成网页面板。SQLite的好处是零配置、单文件、够可靠个人级别的数据量根本不需要上MySQL。你要是数据量更大换DuckDB也顺手。2.3 为什么不用现成的炒股软件或者通用AI助手市面上的炒股软件功能确实多但问题是信息太杂广告、营销、推送满天飞很难定制成自己的工作流。通用AI助手我也试过它适合你主动问它问题但它不会主动替你在盘中盯着“某只票的量比突然放大到3以上”这种条件。工作台的核心不是“AI聊天”而是“AI驱动的自动化流程”。你需要的是它像一个小助理在特定条件触发时把一条已经整理好的信息推到你面前而不是等你去问它。这种“主动性”是现成工具给不了的所以我决定自己搭。3. 几个真正解决盯盘痛点的功能实现3.1 盘前情报汇总一睁眼就有“当日重点”每天开盘前我会让工作台自动抓取隔夜外围市场情况、当天重要公告、前一天复盘要点然后让AI汇总成一份三五百字的“盘前简报”。这块用到的Prompt就一句话把以下信息按“隔夜市场、重要公告、行业动态、风险提示”四个板块归类剔除无关信息控制在400字以内。实测下来模型在信息归类这件事上做得相当稳比我自己对着几十条新闻发呆高效得多。盘前简报的意义不是提供新信息而是帮你把注意力提前放到真正重要的事情上。3.2 盘中异动监控只推送“值得看”的变化这个功能是整套工作台的核心。我设定了几个触发条件自选股涨跌幅超过阈值、成交量较5日均量放大超过一定倍数、盘中快速拉升或跳水、主力资金净流入异常。满足条件时系统会生成一条“异动事件卡片”。事件卡片包含股票名称、触发时间、触发原因、当前价格、涨跌幅、量比、换手率等结构化字段然后由AI补一段一两百字的背景说明。这块的难点是控制噪音。我一开始阈值设得比较松结果一天推几十条跟骚扰短信似的。后来把阈值调严再加了“连续两轮都满足条件才触发”的去抖逻辑推送量才降到每天三五条每条都值得看。3.3 公告与消息面的AI摘要不用再逐份读长文公告是投资研究的重要输入但很多公告长得要命关键信息藏在最后几段。我让系统在公告发布后自动抓取全文用AI提取关键要素股东增减持、业绩变动、重大合同、资产重组、分红方案等。这个功能解决的是“信息饥渴”和“阅读疲劳”之间的矛盾。你不需要每份公告都精读但你必须在第一时间知道“这份公告有没有值得关注的点”。AI摘要的作用不是替代你读公告而是告诉你“这份公告值不值得你点开细看”。3.4 技术指标AI解读把图形翻译成人话说实话技术指标这东西不同人用法差异很大。我工作台里做了一个“技术面快评”功能定时取每只自选股的MA5、MA10、MA20、MACD、KDJ、RSI这些常用指标值然后让AI基于这些数值输出一段客观描述。注意我这里强调是“客观描述”不是“涨跌预测”。例如AI会说“股价位于20日均线上方MACD金叉但RSI接近超买区域短期动能有衰减迹象”而不是说“明天必涨”这种鬼话。这样做的好处是模型不容易瞎编因为所有数值都是代码直接填充进Prompt的它只在事实基础上做归纳。3.5 盘后复盘报告自动沉淀当天的交易记录每天收盘后工作台会把当天的行情、交易记录、触发过的异动事件、AI判断汇总成一份复盘报告。我用它来回答三个问题今天市场主线是什么我的自选股发生了什么变化我原定计划执行得怎么样这块的价值是“时间复利”。头几天你可能觉得报告没什么特别但积累一两个月后你就有一份结构化的观察记录了。回头看某些股票启动前的异动模式你会发现自己关注的信息居然一直在重复出现。4. 搭建过程和核心代码解析4.1 数据层先把行情和公告数据跑通数据层我用了公开的行情数据接口配合Tushare和Akshare这两个库。Tushare适合拿日线、资金流、财务数据Akshare适合拿一些实时行情和公告信息。给个最简代码示例# 伪代码拉取一只股票的实时行情快照 import akshare as ak def get_quote(symbol): df ak.stock_zh_a_spot_em() row df[df[代码] symbol] if row.empty: return None return { symbol: symbol, name: row.iloc[0][名称], price: float(row.iloc[0][最新价]), pct: float(row.iloc[0][涨跌幅]), volume_ratio: float(row.iloc[0][量比]), turnover: float(row.iloc[0][换手率]), ts: datetime.now().isoformat(), }这里的核心是让数据层统一返回字典结构后面无论你换什么数据源都不用改动业务逻辑。4.2 业务层写一个干净的“异动判定”异动判定最怕到处堆条件代码越写越乱。我建议把判定逻辑抽象成一个“规则函数列表”每条规则只做一件事返回True或False。def check_movers(quotes, base_volumes): events [] for q in quotes: # 规则1涨跌幅超过阈值 if abs(q[pct]) 5.0: events.append({type: price, content: f{q[name]}涨跌幅{q[pct]}%, data: q}) # 规则2量比大于3且换手率大于5 if q[volume_ratio] 3.0 and q[turnover] 5.0: events.append({type: volume, content: f{q[name]}放量量比{q[volume_ratio]}, data: q}) return events阈值别拍脑袋定。我是先跑了两个星期历史数据统计正常波动范围再按“超过95%分位才推送”的标准来设的阈值。一开始那个5%看起来简单实际一测就发现震荡行情里一天几十次触发所以后来加了量能过滤和连续触发确认。4.3 模型层让AI只做“归纳”不做“预测”模型调用我封装成了统一的generate_analysis函数。关键点是两类调用分开简单任务用小模型/本地模型处理复杂总结用大模型。日常异动描述这种任务小模型足够了盘前简报和复盘报告这类综合理解任务再用大模型。def generate_analysis(messages, modellocal-small): # 标准化调用本地或云端模型统一返回文本 response client.chat.completions.create( modelmodel, messagesmessages, temperature0.2, # 低温度减少随口编造 timeout30, ) return response.choices[0].message.content温度参数一定调低。我踩过坑温度设高之后模型会在早盘摘要里加各种“市场情绪高昂”“资金跑步进场”的废话这就是典型的温度过高导致的发散。4.4 通知层用Webhook把消息推给手机消息推送我用的是钉钉/企业微信的群机器人Webhook。只要往Webhook地址POST一段JSON消息就到手机上了。不需要开发App也不依赖任何商业推送服务稳定且免费。import requests def push_notice(title, content): webhook https://your-webhook-url data {msgtype: markdown, markdown: {title: title, text: f### {title}\n\n{content}}} requests.post(webhook, jsondata, timeout10)我的习惯是发到两个地方一个群放所有事件流水方便事后复盘另一个群只放“需要重点关注”的高置信度事件避免重要消息被淹没。5. 常见问题与排查技巧实录5.1 行情数据延迟导致误报这个问题必须放在第一位。免费数据接口有时候会有几分钟延迟盘中一旦延迟异动判定就乱了。我碰到过一次某只票实时价格已经涨到5%但接口返回的还在涨幅2%结果没触发推送等刷新过来已经是半个小时后了。排查思路是加“数据时间戳校验”。每次取完数据先看行情时间是不是当前时间附近如果落后超过5分钟宁可跳过这一轮也不推送。可靠性比覆盖率重要盯盘工具推送十条错一条信任感就打折了。5.2 模型“脑补”不存在的价格和指标大语言模型有个天然毛病你让它分析行情它在数据不全的时候会自己编一个像模像样的数字出来。我见过它一本正经地说“该股今日成交额突破20亿”但实际成交额只有5亿纯属幻觉。解决办法有三个第一Prompt里明确写“只能使用输入提供的数据不得自行补充任何市场信息”第二所有数值由代码直接填入模板模型不做数值运算第三生成后用正则表达式抽取出所有数字和历史快照比对误差超范围直接丢回重生成。5.3 API限流和成本控制盘中高频调用模型接口成本其实不低也可能触发限流。我一个月跑下来如果全用大模型账单会非常难看。后来我做了分级简单异动描述这类任务走本地小模型综合判断和复盘报告这类高价值任务才走大模型同时加了结果缓存同一个股票、同类信息在5分钟内不重复调用。这套优化之后成本降了八成以上调用速度还更快了。5.4 推送太频繁变成噪音这是最容易被忽视的问题。工作台刚跑起来那两天我被自己的推送烦到把所有群都免打扰了。后来才意识到好的盯盘工具应该像一个好的同事只在真正重要的时候拍你肩膀而不是在旁边不停念叨。我的办法是在推送链路里加“分级过滤”普通事件只进流水群不进重点群同一个股票在30分钟内重复触发同类事件只推送第一条连续触发去抖确认后再推送高等级事件。调完这些体验完全不一样。常见问题现象排查思路解决手段数据延迟推送晚于实际异动甚至漏推检查行情数据时间戳延迟超5分钟跳过本轮模型幻觉出现不存在的价格、成交额抽查AI输出数字与快照数值模板化正则校验API限流盘中频繁报错查看调用日志和配额小模型分流结果缓存推送噪音一天几十条全被免打扰统计触发条件和数量设置去抖分级推送服务崩溃盘中突然不再推送看进程监控和异常日志加看门狗自动重启5.5 服务挂了无人知个人搭建的服务最怕独跑跑着跑着挂了你自己还不知道。尤其是盘中漏掉半小时监控可能就是一次重要异动。这个问题的兜底方案有两个。一个是加运行日志和进程守护我用的是Supervisor每30秒探活一次挂了自动拉起。另一个是我把工作台的“心跳”也接进了推送群每天早上开盘前推送一条“系统运行正常监测XX只标的”万一哪天没收到开机自检消息我就知道该去查服务器了。6. 一些实际使用后的真实体会6.1 先跑通最小闭环再叠功能如果你也想搭一个我的建议是从一个最简单的功能开始比如“盘前简报”哪怕没有异动监控、没有复盘报告都行。先让信息从数据源到AI再到手机这条链路彻底跑通再逐步加新模块。我第一版也只做了“公告关键词提醒”三天后加了涨跌幅异动又过了一周才加了AI摘要。每加一个功能之前我会先问自己这个功能是解决我的具体痛点还是单纯觉得很酷凡是属于后者的一律先不碰。6.2 AI定位是“决策辅助”不是“替你交易”用了这么久我最深的体会是这套工作台最大的价值不是替我做了决定而是帮我把做决定之前的信息整理工作压缩到了原来的十分之一。它让我有时间去看那些真正需要看的东西并且不会被盘中情绪裹挟。所以我一直不建议做“全自动交易”方向。至少目前模型会在数据不完整时给出不够严谨的表述这种风险在实盘里是不可接受的。人机协同——机器负责盯、筛、归纳人负责拍板、执行、总结——是最务实的状态。6.3 后续还想扩展的方向工作台跑到今天已经给我攒了三个月的结构化盯盘记录。我下一步想拿这些历史数据和时间做对照看看哪些异动事件在事后复盘时价值更高反过来再调整触发规则。另外还打算把语音播报接上早上做早饭的时候听一段盘前简报彻底解放双手。搭这套东西的代码量其实不大难的是清楚知道自己的痛点在哪里以及愿意花几个晚上去调阈值、调Prompt。如果你也在盯盘这件事上觉得累不妨从今天这个最小闭环开始试试。